協同加速，多機器人協作不再「慢半拍」！軟硬一體化框架ReCA破解具身智能落地效率瓶頸
從倉庫里的物流機器人到科幻電影中的「賈維斯」，我們對智能機器人的想象從未停止。學術界在模擬器里實現了越來越復雜的協作任務，工業界也讓機器人學會了韋伯斯特空翻。
然而，一個殘酷的現實是：當下的機器「人」更像是提線木偶，而非真正自主的智能體。
想象一下，機器人每做一個動作都要延遲十幾秒，完成同樣的任務比人類慢上十倍，這樣的效率如何走入我們的生活？這個從虛擬到現實的「最后一公里」，其瓶頸常常被忽視：高昂的時間延遲和低下的協作效率。它像一道無形的墻，將真正的具身智能困在了實驗室里。
- 論文標題： ReCA: Integrated Acceleration for Real-Time and Efficient Cooperative Embodied Autonomous Agents
- 論文地址：https://dl.acm.org/doi/10.1145/3676641.3716016
為了打破這一僵局，來自佐治亞理工學院、明尼蘇達大學和哈佛大學的研究團隊將目光從單純的「成功」轉向了「成功且高效」。他們推出了名為 ReCA 的集成加速框架，針對多機協作具身系統，通過軟硬件協同設計跨層次優化，旨在保證不影響任務成功率的前提下，提升實時性能和系統效率，為具身智能落地奠定基礎。
簡單來說：ReCA 不再滿足于讓智能體「完成」任務，而是要讓它們「實時、高效地完成」任務。
這份工作發表于計算機體系結構領域的頂級會議 ASPLOS'25，是體系結構領域接收的首批具身智能計算論文，同時入選 Industry-Academia Partnership (IAP) Highlight。
三大瓶頸：當前模塊化具身智能的「效率之殤」
研究團隊首先對當前的協同具身智能系統（如 COELA, COMBO, MindAgent）進行了系統性分析，定位了三大性能瓶頸：
高昂的規劃與通信延遲： 系統嚴重依賴基于 LLM 的模塊進行高階規劃和智能體間通信。每一步行動都可能涉及多次 LLM 的順序調用，其中網絡延遲和 API 調用成本更是雪上加霜，使得實時交互成為奢望。
有限的可擴展性： 隨著智能體數量的增加，去中心化系統會面臨通信輪次爆炸性增長和效率下降的問題；而中心化系統則由于單一規劃者難以處理復雜的多智能體協同，導致任務成功率急劇下滑。
底層執行的敏感性： LLM 生成的高階計劃需要被精確翻譯成底層的控制指令，底層執行的效率和魯棒性直接關系到任務的成敗。
ReCA 的「三板斧」：從算法到系統再到硬件的跨層協同優化
針對上述挑戰，ReCA 提出了一個貫穿算法、系統和硬件三個層面的跨層次協同設計框架，旨在提升協同具身智能系統的效率和可擴展性。
算法層面：更聰明的規劃與執行
- 本地化模型處理： 通過部署更小的、本地化的經過微調的開源 LLM，ReCA 擺脫了對外部 API 的依賴，消除了網絡延遲瓶頸，同時保障了數據隱私。
- 規劃指導下的多步執行： 顛覆了傳統「規劃一步、執行一步」的模式。ReCA 讓 LLM 一次性生成可指導連續多步底層動作的高階計劃，大幅減少了 LLM 的調用頻率，顯著降低了端到端延遲。
系統層面：更高效的記憶與協作
- 雙重記憶結構： 借鑒了人類認知的「雙系統理論」，ReCA 設計了長短時記憶分離的結構。
a.長期記憶以圖結構存儲環境布局等靜態信息。
b.短期記憶則動態刷新智能體狀態、任務進度等實時信息。
有效解決了 LLM 在長任務中 prompt 過長導致「遺忘」關鍵信息的痛點，提升了規劃的連貫性和準確性。
- 分層協作規劃： 為了解決擴展性難題，ReCA 引入了一種新穎的分層協作模式。在小范圍的「簇」內，采用「父-子」智能體的中心化模式高效規劃；在「簇」之間，則采用去中心化模式進行通信，更新彼此進度。這種混合模式兼顧了規劃效率和系統規模。
硬件層面：更專業的加速單元
- 異構硬件系統： ReCA 為高階和低階規劃匹配了最合適的計算單元。它采用 GPU 子系統處理 LLM 的高階規劃，同時為精準路徑規劃等低階任務設計了專門的硬件加速器。
- 專用路徑規劃處理器： 研究表明，在系統優化后，原本占比不高的 A-star 路徑規劃延遲會成為新的瓶頸。ReCA 的專用 A-Star Processing Unit（APU）通過定制化的計算單元和訪存設計，大幅提升了低階規劃的效率和能效。
效率提升：
5-10 倍速度提升，成功率不降反升
通過跨越六個基準測試和三大主流協同系統的評估，ReCA 展現了其強大的實力：
- 效率： 在任務步驟僅增加 3.2% 的情況下，實現了平均 5-10 倍的端到端任務加速。原本需要近一小時的復雜任務，ReCA 能在 20 分鐘內完成。
- 成功率： 在大幅提升速度的同時，任務成功率平均還提升了 4.3%。這得益于其優化的記憶和協作機制，證明了效率與性能可以兼得。
- 可擴展性： 即使在 12 個智能體的大規模協作場景下，ReCA 依然能保持 80-90% 的高成功率，而基線系統的成功率已跌至 70% 以下。
- 能效： 其定制的 A-star 硬件加速器（APU）相較于 GPU 實現，取得了 4.6 倍的速度提升和 281 倍能效改進。
影響與未來
ReCA 的意義，遠不止于一組性能提升的數據。它更像一塊基石，為具身智能的未來發展鋪設了三條關鍵路徑：
- 從「能用」到「好用」的跨越： 此前，研究的焦點大多是如何讓機器人「成功」完成任務。ReCA 則明確地提出，「成功且高效」是更關鍵的目標。這項工作有助于推動領域的研究范式轉變，讓延遲、效率和可擴展性也成為衡量具身智能系統的核心指標，加速其在家庭服務、智能制造等場景的落地。
- 「軟硬協同」釋放效能提升： ReCA 通過算法、系統、硬件的跨層次協同優化，突破了過往「單點優化」的局限。未來的具身智能系統，有望像 ReCA 一樣，在不同層面協同設計的產物。它為 GPU 處理高階規劃、硬件加速器處理底層精確任務的異構計算模式提供了范本，為下一代機器人「大腦」+「小腦」的設計提供了一種可行方案。
- 突破瓶頸，解鎖想象力： 當延遲不再是瓶頸，我們可以大膽想象：一個機器人管家團隊能在你下班前，實時協作，烹飪好一頓豐盛的晚餐，并打掃干凈房間；又或者在災難救援現場，多個機器人能實時共享信息，高效協同，在黃金救援時間內完成搜索與拯救任務。在自動化科學實驗室里，機器人集群能夠 7x24 小時不間斷地進行復雜的協同實驗，以前所未有的速度推動科學發現。
總而言之，ReCA 的工作不僅解決了一個關鍵的技術瓶頸，更是為具身智能從實驗室走向真實世界，架起了一座堅實的橋梁。我們距離那個能實時響應、高效協作的「賈維斯」式智能助手，確實又近了一大步。
作者介紹
萬梓燊 是佐治亞理工學院博士生，研究方向為計算機體系架構和集成電路，聚焦通過系統-架構-芯片的跨層軟硬件協同設計，為具身智能機器人和神經符號 AI 構建高效、可靠的計算平臺。個人主頁https://zishenwan.github.io/
杜宇航 是 Yang Zhao 教授和 Vijay Janapa Reddi 教授指導的本科研究員，研究方向為計算機體系架構和集成電路，致力于通過系統級的性能分析與協同設計，為智能體在真實世界的計算打造基礎設施。
Mohamed Ibrahim 是佐治亞理工學院博士后研究員，研究方向為軟硬件協同設計，融合類腦計算與 VLSI 系統，構建具備高適應性與高可靠性的創新硬件架構。
錢家熠 是佐治亞理工學院博士生，研究方向為高效機器學習算法與系統、計算機體系結構與硬件設計，聚焦面向具身智能與神經-符號系統的協同優化與加速。
Jason Jabbour 是哈佛大學計算機科學系博士生，研究方向為機器學習、機器人和自動駕駛。
Yang (Katie) Zhao 是明尼蘇達大學電子與計算機工程系助理教授，研究方向聚焦于計算機體系架構、硬件設計與機器學習的交叉領域，致力于通過從算法、芯片到系統的全棧式協同設計，為大語言模型等新興應用提供高效、可靠的硬件加速方案。
Tushar Krishna 是佐治亞理工學院電子與計算機工程學院副教授，入選 ISCA、HPCA 和 MICRO 名人堂。長期致力于計算機體系架構、NOC 與 AI/ML 加速器等領域的研究，相關成果被引用超過 20000 次。曾有多篇論文入選 IEEE Micro 最佳論文推薦（Top Picks）或榮獲最佳論文獎，現任 ML Commons Chakra 工作組聯合主席。
Arijit Raychowdhury 是佐治亞理工學院電子與計算機工程學院院長，IEEE Fellow。長期致力于低功耗數字與混合信號電路、專用加速器設計等領域的研究，在國際頂級期刊與會議發表論文 250 余篇，擁有超過 27 項美國及國際專利。擔任 ISSCC、VLSI、DAC 等多個頂級會議的技術委員會委員。
Vijay Janapa Reddi 是哈佛大學工程與應用科學學院教授，入選 MICRO 與 HPCA 名人堂。長期致力于計算機體系架構、機器學習系統與自主智能體的交叉領域研究，是 TinyML 領域的開拓者之一，并聯合領導創建了 MLPerf。曾獲 MICRO、HPCA 最佳論文獎及多次入選 IEEE Micro 最佳論文，現任 MLCommons 董事會成員和聯合主席。
